Wetsteen, een softwaretool die de output van kunstmatige neuronen verscherpt, heeft neurale computernetwerken in staat gesteld om informatie tot honderd keer efficiënter te verwerken dan de huidige industriestandaard, zeggen de onderzoekers van Sandia National Laboratories die het hebben ontwikkeld.

De toepasselijke naam software, wat de hoeveelheid schakelingen die nodig zijn om autonome taken uit te voeren aanzienlijk vermindert, zal naar verwachting de penetratie van kunstmatige intelligentie in de markten voor mobiele telefoons vergroten, zelfrijdende auto's en geautomatiseerde interpretatie van beelden.

"In plaats van eindeloze energiedruppels aan informatie uit te zenden, " Sandia neurowetenschapper Brad Aimone zei:"kunstmatige neuronen die door Whetstone zijn getraind, geven energie af in pieken, net zoals menselijke neuronen doen."

De grootste kunstmatige-intelligentiebedrijven hebben spiking-tools voor hun eigen producten geproduceerd, maar geen enkele is zo snel of efficiënt als Whetstone, zegt Sandia-wiskundige William Severa. "Grote bedrijven zijn zich bewust van dit proces en hebben vergelijkbare systemen gebouwd, maar vaak werken die van hen alleen voor hun eigen ontwerpen. Whetstone zal op veel neurale platforms werken."

De open-sourcecode is onlangs opgenomen in een technisch artikel in Nature Machine Intelligence en is door Sandia voorgesteld voor een patent.

Hoe neuronen te verscherpen?

Kunstmatige neuronen zijn in feite condensatoren die elektrische ladingen absorberen en optellen die ze vervolgens in kleine stroomstoten afgeven. Computer chips, genaamd "neuromorfe systemen, " assembleer neurale netwerken in grote groepen die het menselijk brein nabootsen door elektrische stimuli naar neuronen te sturen die in geen voorspelbare volgorde afvuren. Dit staat in contrast met een meer lock-step procedure die wordt gebruikt door desktopcomputers met hun vooraf ingestelde elektronische processen.

Door hun lukraak schieten, neuromorfe systemen zijn vaak langzamer dan conventionele computers, maar hebben ook veel minder energie nodig om te werken. Ze vereisen ook een andere benadering van programmeren omdat hun kunstmatige neuronen anders te vaak of niet vaak genoeg vuren, wat een probleem was om ze commercieel online te brengen.

Wetsteen, die fungeert als een aanvullende computercode die wordt toegevoegd aan meer conventionele softwaretrainingsprogramma's, traint en verscherpt kunstmatige neuronen door gebruik te maken van degenen die alleen pieken als er voldoende energie is - lees, informatie — is verzameld. De training is effectief gebleken in het verbeteren van standaard neurale netwerken en wordt momenteel geëvalueerd voor de opkomende technologie van neuromorfe systemen.

Catharina Schuman, een neuraal netwerkonderzoeker bij Oak Ridge National Laboratories, zei, "Whetstone is een belangrijk hulpmiddel voor de neuromorfe gemeenschap. Het biedt een gestandaardiseerde manier om traditionele neurale netwerken te trainen die geschikt zijn voor inzet op neuromorfe systemen, die voorheen op een ad hoc manier was gedaan."

De strenge leraar

Het wetsteenproces, Aimone zei, kan worden gevisualiseerd als het besturen van een klas spraakzame basisschoolleerlingen die de taak hebben om een ​​object op het bureau van hun leraar te identificeren. Voorafgaand aan Whetstone, de studenten stuurden een continue stroom sensorinvoer naar hun voorheen overweldigd leraar, die er allemaal naar moest luisteren - elke hobbel en giechel, om zo te zeggen - voordat een beslissing wordt doorgegeven aan het neurale systeem. Deze enorme hoeveelheid informatie vereist vaak cloudgebaseerde berekeningen om te verwerken, of de toevoeging van meer lokale computerapparatuur in combinatie met een sterke toename van elektrisch vermogen. Beide opties verhogen de tijd en kosten van commerciële kunstmatige-intelligentieproducten, hun veiligheid en privacy verminderen en hun acceptatie minder waarschijnlijk maken.

onder wetsteen, hun pas strenge leraar besteedt alleen aandacht aan een eenvoudige "ja" of "nee" meting van elke student - wanneer ze hun hand opsteken met een oplossing, in plaats van op alles wat ze zeggen. Veronderstellen, bijvoorbeeld, de bedoeling is om vast te stellen of een stuk groen fruit op het bureau van de leraar een appel is. Elke leerling is een sensor die kan reageren op een andere kwaliteit van wat een appel kan zijn:heeft hij de juiste geurkwaliteit, smaak, textuur enzovoort? En terwijl de student die op rood zoekt "nee" mag stemmen, zou de andere student die op groen zoekt "ja" stemmen. Wanneer het aantal antwoorden, ja of nee, elektrisch hoog genoeg is om het vermogen van het neuron om te vuren te activeren, dat simpele resultaat, in plaats van eindeloos te twijfelen, het totale neurale systeem binnenkomt.

Hoewel Whetstone-vereenvoudigingen mogelijk meer fouten kunnen maken, het overweldigende aantal deelnemende neuronen - vaak meer dan een miljoen - levert informatie die statistisch de onnauwkeurigheden compenseert die zijn geïntroduceerd door de gegevensvereenvoudiging, Severa zei, verantwoordelijk voor de wiskunde van het programma.

"Het combineren van te gedetailleerde interne informatie met het enorme aantal neuronen dat rapporteert, is een soort dubbele boeking, "zegt hij. "Het is niet nodig. Onze resultaten vertellen ons dat de klassieke manier - alles berekenen zonder te vereenvoudigen - verspilling is. Daarom kunnen we energie besparen en dat goed doen."

Gepatchte programma's werken het beste

Het softwareprogramma werkt het beste wanneer het wordt gepatcht in programma's die bedoeld zijn om nieuwe kunstmatige-intelligentieapparatuur te trainen, dus Whetstone hoeft aangeleerde patronen niet te overwinnen met reeds vastgestelde energieminima.